XiaoMi-AI文件搜索系统
World File Search System功能单元
功能单元：材料科学的新观点...
摘要 - 定量反转算法允许在场景中的每个点构建电性能（例如介电常数和电导率）。但是，由于需要了解场景中的事件波场，因此这些技术在测量的反向散射相历史信号和数据集上都具有挑战性。通常，由于天线特征，路径丢失，波形因子等因素，这是未知的。在本文中，我们引入了一个标量校准因子来解释这些因素。为了解决校准因子，我们通过包括正向问题来增强反转过程，我们通过训练简单的馈送正式完全连接的神经网络来解决这些问题，以学习基本介电常数分布与雷达散射场之间的映射。然后，我们最大程度地减少了测得的和模拟字段之间的不匹配，以优化每个发射器的标量校准因子。我们证明了数据驱动的校准方法在菲涅尔研究所数据集中的有效性，其中我们显示了估计的场景介绍的准确性。因此，我们的论文为在现实成像场景中应用定量反转算法的应用奠定了基础。
TEVoT：动态电压和温度变化下功能单元的时序误差建模
摘要 —随着 CMOS 技术的不断扩展，微电子电路越来越容易受到微电子变化的影响，例如工作条件的变化。这种变化会导致微电子电路的延迟不确定性，从而导致时序误差。电路设计人员通常在电路和架构设计中使用保守的保护带来解决这些错误，但这可能会导致操作效率的显著损失。在本文中，我们提出了 TEVoT，这是一种监督学习模型，可以预测不同工作条件、时钟速度和输入工作负载下功能单元 (FU) 的时序误差。我们执行动态时序分析来表征不同条件下 FU 的延迟变化，并在此基础上收集训练数据。然后，我们从训练数据中提取有用的特征并应用监督学习方法建立 TEVoT。在 100 种不同的工作条件、4 种广泛使用的 FU、3 种时钟速度和 3 个数据集中，TEVoT 的平均预测准确率为 98.25%，比门级仿真快 100 倍。我们进一步使用 TEVoT 通过将电路级时序误差暴露到应用程序级来估计不同操作条件下的应用程序输出质量。在 100 种操作条件下，TEVoT 对两个图像处理应用程序的平均估计准确率达到 97%。